最近看到一段交通事故视频。
画面中，一辆红色特斯拉驶近路口，太阳正好位于前方大型车辆的后方。强烈的逆光让画面严重泛白，随后特斯拉与前方车辆发生碰撞。
有人据此判断：特斯拉采用纯视觉方案，摄像头被太阳“照瞎”，没有识别出前方障碍物；如果车辆安装了激光雷达，这起事故就能避免。
这个解释听起来很顺，也确实抓住了纯视觉方案的一个真实弱点。
但它说得太绝对了。
仅凭一段外部视频，我们无法确认事故发生时FSD是否开启，也不知道车辆有没有识别到障碍物、有没有自动减速，更无法判断问题出在感知、预测、规划，还是驾驶员操作。
不过，这段视频确实引出了一个值得认真讨论的问题：
面对逆光、黑夜、暴雨、大雾这些极端场景，特斯拉坚持的纯视觉路线，与摄像头、激光雷达、毫米波雷达组成的融合路线，到底哪一种更好？
我的结论先放在这里：
如果目标是普及型L2辅助驾驶，纯视觉有成本和规模优势；如果目标是高可靠的L3、L4无人驾驶，多传感器融合更稳妥。
>
但激光雷达也不是“装上就无敌”。它解决了一部分视觉难题，同时带来了成本、天气、维护、标定和系统复杂度等新问题。
---
一、今天的特斯拉FSD，已经发展到什么程度？
讨论技术路线之前，先要厘清一件事：现在的FSD，早已不是简单的“摄像头识别车辆和车道线”。
当前公开版本已经进入FSD v14.x阶段。不同车型、硬件和地区的软件版本并不完全一致，但从公开更新说明来看，FSD已经可以在适用区域完成相当完整的点到点辅助驾驶流程，包括：
- 城市道路和高速公路行驶；
- 路口转弯和路权处理；
- 识别红绿灯、交通标志和车道箭头；
- 自动变道、超车、汇入和驶出匝道；
- 绕行部分车辆、行人及道路障碍；
- 到达目的地后选择停车或下客位置；
- 完成部分停车操作。
FSD v14.3.5的更新内容还包括：改进低能见度和罕见场景下的理解能力、加强三维几何推断、提高系统反应速度，并改善复杂交通灯、校车、紧急车辆和异常道路物体的处理。
这意味着，特斯拉的“纯视觉”并不是拿一张照片做目标检测。
它利用多颗摄像头的不同视角，结合连续视频、物体运动历史、遮挡变化和道路环境，在神经网络中重建一个动态的三维世界。
即使太阳与前方车辆在某一瞬间重叠，系统仍可能通过此前几秒的轨迹、轮廓和空间关系，继续追踪目标。
所以，“画面过曝等于系统什么都看不见”，并不一定成立。
但是，名称里的“Supervised”同样不能忽略。
目前消费者车辆上的FSD依然是受监督的驾驶辅助系统。驾驶员需要持续关注道路并随时接管。它还不是可以让驾驶员睡觉、看电影的L4级无人驾驶。
---
二、逆光为什么是纯视觉的难题？
摄像头和人的眼睛类似，都是被动接收环境光。
当太阳位于前方目标背后时，光线可能直接进入镜头，造成：
- 图像局部或大面积过曝；
- 镜头眩光和鬼影；
- 前景目标与背景对比度下降；
- 深色物体轮廓被高亮背景吞没；
- 挡风玻璃上的污渍形成大片光晕；
- 多颗前向摄像头同时受到干扰。
现代汽车摄像头并没有那么脆弱。
高动态范围、多重曝光、图像增强、不同焦距摄像头和视频时序跟踪，都可以改善逆光表现。神经网络还可以利用目标进入强光区之前的历史信息，预测它当前的位置。
但再好的算法，也必须建立在有效输入之上。
如果多个前向摄像头同时受到强烈眩光影响，关键区域的像素长时间饱和，或者镜头表面的污渍进一步放大光晕，系统可以利用的信息就会明显减少。
这不是简单的软件漏洞，而是一种物理层面的困难。
美国国家公路交通安全管理局NHTSA在2024年曾对约240万辆搭载FSD的特斯拉展开调查，原因正是车辆在太阳眩光、雾和扬尘等低能见度条件下发生了四起事故，其中包括死亡事故。
这不能证明“纯视觉路线一定不安全”，但至少说明，低能见度不是一个只存在于理论讨论中的问题。
---
三、激光雷达能解决逆光问题吗？
激光雷达与摄像头最大的区别，是它会主动向外发射激光，然后通过回波测量物体的距离和空间形状。
摄像头看到的是颜色、纹理和轮廓；激光雷达获得的是一组带有距离信息的三维点云。
因此，在太阳位于油罐车后方的场景中，摄像头可能面对的是一个低对比度甚至局部过曝的画面，而激光雷达更可能得到一个大型三维障碍物轮廓。
对紧急制动来说，系统甚至不必先判断它是不是油罐车。
只要确认前方一定距离内存在无法穿越的巨大物体，就应该减速或者停车。
这正是激光雷达在逆光、黑夜和低对比度目标面前的优势：它不依赖环境亮度，也不完全依赖物体的颜色和纹理。
但这里必须加一个限定：
激光雷达更抗逆光，不等于激光雷达不受环境影响。
太阳光谱同样覆盖汽车激光雷达常用的905nm和1550nm波段。强烈的背景光会提高噪声，降低弱回波信噪比，影响远距离、低反射率目标的探测。
窄带滤光片、时间门控、脉冲编码和多帧过滤，可以显著降低太阳光的影响，却不能让太阳光彻底消失。
所以，准确的说法应该是：
在强逆光下，激光雷达通常比可见光摄像头更容易保留三维测距能力，但它不是对太阳绝对免疫。
---
四、激光雷达相比纯视觉，最大的优势是什么？
1. 它提供了独立的距离信息
摄像头需要根据视差、纹理、运动和历史帧推断距离。
激光雷达可以直接测量：
- 目标距离；
- 目标高度；
- 物体轮廓；
- 道路与障碍物之间的空间关系。
对于突然出现的低矮障碍物、颜色接近路面的物体，直接的三维信息很有价值。
【2/4】
2. 它更容易发现低对比度目标
黑色车辆、灰色水泥块、夜间没有反光的障碍物，可能在摄像头画面中与背景混在一起。
只要激光回波足够稳定，激光雷达并不需要依赖明显的颜色差异。
3. 它在夜间不依赖可见光
车辆前灯照不到的区域，是摄像头更容易犯错的地方。
激光雷达主动发射光线，理论上可以在完全黑暗中继续获得空间信息。
4. 它可以作为视觉系统的“第二意见”
如果摄像头说“前方道路畅通”，激光雷达却发现前方有一大片固定点云，系统就应该进入冲突处理状态，而不是盲目相信其中一个传感器。
这种异构冗余，是多传感器方案最重要的价值。
---
五、但激光雷达也有明显劣势
如果只强调激光雷达的优点，很容易把文章写成“激光雷达宣传稿”。
事实上，激光雷达相比纯视觉，也有一系列不能回避的问题。
1. 成本更高，量产难度更大
激光雷达的价格已经比早期大幅下降，但它仍然比普通摄像头昂贵得多。
一辆车如果要实现比较完整的周向覆盖，还可能需要：
- 一个或多个前向激光雷达；
- 侧向或角部激光雷达；
- 更复杂的线束和供电；
- 更高性能的计算平台；
- 更复杂的标定和诊断系统。
这会直接推高：
- 整车售价；
- 维修成本；
- 保险成本；
- 传感器更换费用；
- 事故后的维修难度。
对于一辆售价较低、面向大规模市场的车辆来说，这不是小问题。
特斯拉坚持纯视觉，至少有一个非常现实的原因：摄像头足够便宜，便于大规模铺开。
2. 它的机械和外观负担更大
很多高性能激光雷达需要安装在车顶或车身高处，才能获得更好的视野。
这会带来几个问题：
- 车顶凸起影响空气动力学；
- 传感器容易被雨水、泥浆、冰雪和灰尘污染；
- 车身设计受到限制；
- 洗车、停车和轻微碰撞时更容易损伤；
- 传感器表面需要加热、清洗或特殊保护。
摄像头也会脏，但激光雷达的性能很依赖光学窗口和回波质量。一层泥、一层雪或水膜，都可能让点云明显下降。
因此，激光雷达不是装上车就结束了，还要解决“长期保持干净并稳定工作”的问题。
3. 雨、雾、雪和扬尘会影响激光传播
激光雷达发射的是光，所以同样会受到大气颗粒物影响。
在雨中，雨滴可能形成散射点和虚假回波；在雾中，激光会被水滴散射和吸收；在大雪和扬尘中，传感器可能先看到近距离的雪花、尘埃或水滴，而不是远处目标。
相关研究显示，在非常浓的雾中，激光雷达有效探测距离可能明显缩短，依赖点云的定位和建图也可能失败。
这意味着：
激光雷达是“主动发光”，但不是“穿透一切”。
在浓雾和暴雪中，激光雷达并不一定比摄像头轻松，更不能替代毫米波雷达。
4. 点云有空间信息，但语义能力不如图像直接
激光雷达可以告诉系统前方有一组三维点。
但它未必能直接回答：
- 这个东西是塑料袋，还是石块？
- 这个人是在挥手，还是准备过马路？
- 这个标牌上写的是限速40，还是限速60？
- 红绿灯现在亮的是红灯还是绿灯？
- 施工人员的手势代表停车还是通行？
- 前车的转向灯是否亮起？
这些任务仍然主要依赖摄像头。
所以，激光雷达并不是视觉的替代品。
它更像是给视觉系统增加了一套空间测量工具。
5. 激光雷达可能出现点云稀疏和过滤错误
激光雷达不是一台“无限分辨率的三维相机”。
远距离目标、低反射率目标、细小物体和特殊角度目标，可能只能产生很少的回波点。
在算法处理中，系统还需要过滤：
- 雨滴；
- 雪花；
- 灰尘；
- 飞虫；
- 树叶；
- 路面反射；
- 其他激光雷达的干扰。
过滤太少，会产生大量虚警；过滤太多，又可能把真正的障碍物删掉。
点云不是天然正确的答案，它同样需要复杂的算法解释。
6. 多传感器融合会增加系统复杂度
传感器越多，信息越丰富，但系统也越复杂。
融合系统需要处理：
- 不同传感器的时间同步；
- 摄像头与激光雷达的空间标定；
- 传感器之间的坐标转换；
- 信息冲突；
- 传感器失效检测；
- 计算延迟；
- 维修后重新标定；
- 软件版本之间的兼容。
比如摄像头认为前方是阴影，激光雷达认为那里有点云，毫米波雷达又没有明显反射，系统到底应该相信谁？
这不是简单地让三种传感器“投票”就能解决。
融合系统的上限更高，但工程难度也更大。
7. 激光雷达不能解决预测和规划问题
这是最容易被忽略的一点。
激光雷达擅长回答：
前方哪里有东西？距离是多少？高度是多少？
但它不一定能回答：
对方下一秒会不会突然变道？会不会闯红灯？会不会从遮挡后冲出来？
自动驾驶最难的部分，往往不只是看到物体，而是预测其他交通参与者的行为。
一辆装有激光雷达的车，如果预测模型和规划策略很差，依然可能做出错误决策。
所以激光雷达只能增强感知，不能自动填补系统在预测、规划和控制方面的缺陷。
---
六、换到其他环境，两条路线分别表现如何？
正常白天：摄像头占据语义优势
道路交通系统本来就是为人眼设计的。
红绿灯颜色、交通标志文字、车道箭头、转向灯、施工人员手势，这些信息都更适合由摄像头理解。
激光雷达可以发现那里有一块标牌，却未必知道标牌写了什么；可以扫描出红绿灯外壳，却不能只靠几何形状判断现在亮的是红灯还是绿灯。
所以，任何成熟的激光雷达方案都离不开摄像头。
真正的技术选择不是“摄像头或者激光雷达”，而是“只有摄像头，还是在摄像头之外增加其他传感器”。
强逆光和出隧道：融合方案优势明显
【3/4】
出隧道、日出日落和阳光直射时，摄像头容易遭遇动态范围突变和眩光。
激光雷达仍可能保持物体的距离和轮廓信息，毫米波雷达也可以继续测量前方车辆的距离和相对速度。
这种场景正适合不同传感器交叉验证。
不过，如果激光雷达窗口本身被污水遮挡，或者太阳背景光使远处弱目标回波下降，它也不是完全没有风险。
完全黑夜：主动传感器更从容
纯视觉并不是到了晚上就完全失效。车辆有前灯，现代摄像头的低照度表现也远好于过去。
但对于无路灯环境中的黑衣行人、没有反光材料的障碍物，以及前灯照射范围外的目标，摄像头依然更吃力。
激光雷达主动发光，不依赖路灯；毫米波雷达同样不依赖可见光。在这种环境下，多传感器融合通常更稳。
暴雨和水雾：毫米波雷达开始体现价值
大雨会让摄像头面临雨滴、水雾、湿地反光和标线模糊。
激光雷达也会受到雨滴散射和信号衰减，点云距离与密度可能下降。
毫米波雷达虽然空间分辨率和语义能力有限，但通常更能适应雨雾，并且可以直接测量目标的相对速度。
在这种天气下，胜出的不是某一种传感器，而是三种传感器之间的互补。
浓雾和大雪：没有任何传感器是银弹
浓雾会同时影响摄像头和激光雷达。相关研究显示，在非常浓的雾中，激光雷达探测距离可能大幅缩短，依赖点云的定位和建图也可能失败。
大雪则会产生大量散射点，摄像头可能看不清道路边界，激光雷达点云也需要过滤。传感器表面一旦积雪，性能还会进一步下降。
这说明真正的全天候自动驾驶，除了传感器本身，还需要清洗、加热、除雾、自检和安全降级机制。
如果车辆发现自己的感知能力已经低于安全标准，正确做法不应该是继续“赌一把”，而是主动降低车速、请求接管，或者寻找安全位置停车。
---
七、特斯拉为什么仍然坚持纯视觉？
既然融合方案安全冗余更强，特斯拉为什么不直接增加激光雷达？
原因并不神秘。
第一，摄像头便宜、体积小、功耗低，适合装进数百万辆量产车。
第二，少一种传感器意味着更低的制造和维修成本，也减少了标定、清洗和跨车型适配的复杂度。
第三，特斯拉拥有规模庞大的真实道路车队。每一次驾驶员接管、每一个罕见路口和特殊障碍物，都可能变成新的训练样本。
第四，视觉信息包含道路交通中最丰富的语义。人类主要依赖眼睛驾驶，这也让特斯拉相信，足够强的摄像头和神经网络最终可以达到甚至超过人类水平。
从商业角度看，纯视觉路线还有一个巨大优势：
它更容易以较低成本快速普及，再通过车队数据不断迭代。
但纯视觉路线也有一个代价：
它把更多压力放到了算法、训练数据和极端场景泛化能力上。
如果软件足够强，纯视觉可以非常惊艳；如果遇到训练覆盖不足、传感器共同失效或系统误判，车辆就缺少另一套物理原理不同的感知结果。
---
八、纯视觉真正的问题，不是“能不能开”
我不认为纯视觉在理论上无法实现自动驾驶。
它真正的问题在于：
当所有摄像头因为同一种物理原因同时退化时，系统缺少一条工作原理完全不同的独立证据。
八颗摄像头不一定等于八重冗余。
如果它们同时朝向一轮低角度太阳，或者共同面对浓雾、泥水和镜头污染，它们可能一起受到影响。这叫共同原因失效。
就像八个程序都运行在同一台服务器上。一旦服务器断电，八个程序会一起消失。
摄像头、激光雷达和毫米波雷达依赖不同的物理机制：
- 摄像头负责颜色、文字和道路语义；
- 激光雷达负责高分辨率三维几何；
- 毫米波雷达负责距离、速度和一定程度的恶劣天气穿透。
它们组成的不是简单的传感器堆料，而是一套异构冗余。
目前Waymo公开的自动驾驶系统，就同时使用摄像头、激光雷达和毫米波雷达，并配有备用计算、制动、转向和电源系统。
这与消费者车辆上的L2辅助驾驶，已经不是同一种产品目标。
---
九、纯视觉和激光雷达方案，到底哪个更好？
答案取决于你追求什么。
如果目标是价格可控、快速普及、持续OTA升级的L2驾驶辅助，纯视觉有很强的商业竞争力。
特斯拉庞大的车队数据、端到端神经网络和软件迭代速度，也可能让它的实际体验超过一些虽然装了激光雷达、但算法和数据能力不足的车型。
所以，车顶上有一个激光雷达，并不代表这辆车的辅助驾驶一定比特斯拉强。
硬件多，不等于系统好。
激光雷达也有现实代价：
- 成本更高；
- 车身结构更复杂；
- 对安装位置和视野要求更高；
- 需要持续解决清洗、加热和污染问题；
- 在雨、雪、雾、扬尘中同样会退化；
- 需要更多计算、标定和维护；
- 对红绿灯、文字和复杂语义仍然离不开摄像头；
- 无法直接解决行为预测和路径规划。
但如果目标是让驾驶员真正退出驾驶任务，尤其是追求L3、L4甚至无人Robotaxi，我仍然更倾向于多传感器融合方案：
高动态范围摄像头 + 激光雷达 + 成像毫米波雷达 + 传感器清洗加热 + 制动、转向和计算冗余。
理由不是激光雷达永远不会失效。
恰恰相反，是因为所有传感器都会失效，所以才需要让它们以不同的方式失效。
摄像头怕逆光和低对比度，激光雷达怕浓雾、散射和弱回波，毫米波雷达的空间分辨率和语义能力又不够。三者一起工作，才能尽量避免单一传感器失效后，整辆车瞬间失去判断依据。
---
写在最后
纯视觉路线最吸引人的地方，是它证明了软件和数据可以把廉价传感器的能力推到很高。
激光雷达融合路线更有说服力的地方，则是它承认极端环境不会按照算法最熟悉的方式出现，因此给系统保留了另一套感知依据。
但激光雷达也不是自动驾驶的“保险箱”。
【4/4】
它更贵，更复杂，也有自己的天气和维护问题；它能补足摄像头的距离和空间感知，却不能替代摄像头的语义理解，更不能替代预测、规划和控制。
如果只是讨论正常天气下谁开得更像人，纯视觉可能已经足够优秀。
如果讨论的是量产成本、普及速度和软件迭代，纯视觉甚至可能更有优势。
但自动驾驶真正难的，从来不是处理那99%的正常场景，而是在剩下1%的时刻里，系统能不能看见、能不能意识到自己看不清，又能不能安全地停下来。
所以，两条路线真正的分歧不是“摄像头能不能实现自动驾驶”，而是：
当第一套感知系统失效时，你是否愿意为第二套物理原理不同的感知系统付出成本？
如果是L2辅助驾驶，我可以接受纯视觉。
如果是要把方向盘真正交给机器，我选择多传感器融合。
因为在自动驾驶中：
摄像头决定系统能理解多少，激光雷达决定系统能测得多准，毫米波雷达决定系统在恶劣天气里还能不能保留一部分距离和速度信息。
性能决定体验，冗余决定底线。
---
参考资料
1. Tesla FSD v14.3.5公开版本说明：
https://www.notateslaapp.com/software-updates/version/2026.20.10/release-notes
2. NHTSA调查特斯拉FSD低能见度场景事故的报道：
https://www.foxbusiness.com/markets/feds-investigating-safety-teslas-full-self-driving-feature
3. Waymo Driver传感器与系统架构：
https://waymo.com/waymo-driver/
4. Mobileye True Redundancy技术路线：
https://www.mobileye.com/technology/true-redundancy/
5. 激光雷达背景光干扰研究：
https://pmc.ncbi.nlm.nih.gov/articles/PMC11205557/
6. 激光雷达在雨、雪和浓雾环境下的性能研究：
https://pmc.ncbi.nlm.nih.gov/articles/PMC12736427/
7. IIHS部分自动驾驶系统安全防护评价：
https://www.iihs.org/news/detail/first-partial-driving-automation-safeguard-ratings-show-industry-has-work-to-do
本文仅讨论自动驾驶技术路线，不对视频中的具体事故责任和原因作出认定。事故原因应以车辆日志、现场调查和有关部门结论为准。
